Buchumschlag

Optimising for Energy Efficiency and Performance in Machine Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Ferreira, Emile Dos Santos, Paleyes, Andrei, Lawrence, Neil D.
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning Software Engineering
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Machine Learning Systems: A Survey from a Data-Oriented Perspective
von: Cabrera, Christian, et al.
Veröffentlicht: (2023)

LLM Performance for Code Generation on Noisy Tasks
von: Sendyka, Radzim, et al.
Veröffentlicht: (2025)

Code Roulette: How Prompt Variability Affects LLM Code Generation
von: Paleyes, Andrei, et al.
Veröffentlicht: (2025)

Self-sustaining Software Systems (S4): Towards Improved Interpretability and Adaptation
von: Cabrera, Christian, et al.
Veröffentlicht: (2024)

Sustainable Machine Learning Retraining: Optimizing Energy Efficiency Without Compromising Accuracy
von: Poenaru-Olaru, Lorena, et al.
Veröffentlicht: (2025)

ENCORE: Ensemble Learning using Convolution Neural Machine Translation for Automatic Program Repair
von: Lutellier, Thibaud, et al.
Veröffentlicht: (2019)

The More the Merrier? Navigating Accuracy vs. Energy Efficiency Design Trade-Offs in Ensemble Learning Systems
von: Omar, Rafiullah, et al.
Veröffentlicht: (2024)

How to Sustainably Monitor ML-Enabled Systems? Accuracy and Energy Efficiency Tradeoffs in Concept Drift Detection
von: Omar, Rafiullah, et al.
Veröffentlicht: (2024)

Geospatial Machine Learning Libraries
von: Stewart, Adam J., et al.
Veröffentlicht: (2025)

Data Virtualization for Machine Learning
von: Khan, Saiful, et al.
Veröffentlicht: (2025)

Optimising TinyML with Quantization and Distillation of Transformer and Mamba Models for Indoor Localisation on Edge Devices
von: Suwannaphong, Thanaphon, et al.
Veröffentlicht: (2024)

Machine Learning Systems are Bloated and Vulnerable
von: Zhang, Huaifeng, et al.
Veröffentlicht: (2022)

Analysing Python Machine Learning Notebooks with Moose
von: Mignard, Marius, et al.
Veröffentlicht: (2025)

Automated Trustworthiness Testing for Machine Learning Classifiers
von: Cho, Steven, et al.
Veröffentlicht: (2024)

How do Machine Learning Models Change?
von: Castaño, Joel, et al.
Veröffentlicht: (2024)

Machine Learning Operations: A Mapping Study
von: Chakraborty, Abhijit, et al.
Veröffentlicht: (2024)

Automated Modernization of Machine Learning Engineering Notebooks for Reproducibility
von: Jin, Bihui, et al.
Veröffentlicht: (2026)

Verifying Machine Learning Interpretability Requirements through Provenance
von: Vonderhaar, Lynn, et al.
Veröffentlicht: (2026)

Understanding Practitioners Perspectives on Monitoring Machine Learning Systems
von: Naveed, Hira, et al.
Veröffentlicht: (2025)

Applications and Challenges of Fairness APIs in Machine Learning Software
von: Das, Ajoy, et al.
Veröffentlicht: (2025)

Continuous Management of Machine Learning-Based Application Behavior
von: Anisetti, Marco, et al.
Veröffentlicht: (2023)

Data Requirement Goal Modeling for Machine Learning Systems
von: Yamani, Asma, et al.
Veröffentlicht: (2025)

JetTrain: IDE-Native Machine Learning Experiments
von: Trofimov, Artem, et al.
Veröffentlicht: (2024)

Deep Learning and Machine Learning: Advancing Big Data Analytics and Management with Design Patterns
von: Chen, Keyu, et al.
Veröffentlicht: (2024)

Monitoring Machine Learning Systems: A Multivocal Literature Review
von: Naveed, Hira, et al.
Veröffentlicht: (2025)

A Catalog of Fairness-Aware Practices in Machine Learning Engineering
von: Voria, Gianmario, et al.
Veröffentlicht: (2024)

Continuous Integration Practices in Machine Learning Projects: The Practitioners` Perspective
von: Bernardo, João Helis, et al.
Veröffentlicht: (2025)

Scalability and Maintainability Challenges and Solutions in Machine Learning: Systematic Literature Review
von: Shivashankar, Karthik, et al.
Veröffentlicht: (2025)

Identifying Flaky Tests in Quantum Code: A Machine Learning Approach
von: Kaur, Khushdeep, et al.
Veröffentlicht: (2025)

The State of Documentation Practices of Third-party Machine Learning Models and Datasets
von: Oreamuno, Ernesto Lang, et al.
Veröffentlicht: (2023)

A Systematic Literature Review on the Use of Machine Learning in Software Engineering
von: Fred, Nyaga, et al.
Veröffentlicht: (2024)

Automating the Training and Deployment of Models in MLOps by Integrating Systems with Machine Learning
von: Liang, Penghao, et al.
Veröffentlicht: (2024)

Bug Severity Prediction in Software Projects Using Supervised Machine Learning Models
von: Nice, Nafisha Tamanna
Veröffentlicht: (2026)

Using Small Language Models to Reverse-Engineer Machine Learning Pipelines Structures
von: Lacroix, Nicolas, et al.
Veröffentlicht: (2026)

A Comprehensive Study of Machine Learning Techniques for Log-Based Anomaly Detection
von: Ali, Shan, et al.
Veröffentlicht: (2023)

More Rigorous Software Engineering Would Improve Reproducibility in Machine Learning Research
von: Wolter, Moritz, et al.
Veröffentlicht: (2025)

Towards MLOps: A DevOps Tools Recommender System for Machine Learning System
von: Shah, Pir Sami Ullah, et al.
Veröffentlicht: (2024)

Perspective of Software Engineering Researchers on Machine Learning Practices Regarding Research, Review, and Education
von: Mojica-Hanke, Anamaria, et al.
Veröffentlicht: (2024)

Quantum vs. Classical Machine Learning Algorithms for Software Defect Prediction: Challenges and Opportunities
von: Nadim, Md, et al.
Veröffentlicht: (2024)

DesCartes Builder: A Tool to Develop Machine-Learning Based Digital Twins
von: de Conto, Eduardo, et al.
Veröffentlicht: (2025)